地下道路线形及横向净距设计方法

1、基于多智能体仿真的地下道路线形及横向净距设计方法技术方案 :现实表明，地下道路由于其封闭性和躲避空间的局限性， 交通安全事故的发 生频率是一般道路的几倍，严重程度很高且极易引起后继事故的发生，而把人、 车、路和环境等几个方面综合进行考虑的地下道路交通工程设计， 被认为是解决 公路地下道路交通安全问题的重要措施之一。 在地下道路交通工程涉及的各种手 段和方法中，地下道路线形和横向净距的优化设计能够帮助驾驶员做出更有效的 驾驶行为决策， 减少驾驶焦虑和压力， 是真正能够保证地下道路交通安全、 提高 通行能力的手段之一。本章主要基于 SOAR 认知框架建立大型车辆多智能体模 型，对不同道路线形和横向

2、净距下的交通行为和交通流特征进行仿真和分析， 提 出优化的地下道路线形和横向净距设计推荐方案。6.1 地下道路线形及横向距离 对驾驶行为的影响分析荷兰应用科学研究组织 （TNO） 认为，隧道的特殊设计包括隧道的长度、 类型、 宽度，隧道路线曲线的数目、 曲度及波动等， 在很大程度上影响着驾驶员的行为 以及主观安全感。 但是这些研究都是针对公路隧道的研究， 对地下道路的研究主 要集中在横断面的设计、 出入口变速车道长度以及交通安全的定性分析等， 较少 对城市地下道路的驾驶行为进行研究。6.1.1一般路段对驾驶员行为的影响分析一般路段线形对驾驶员行为的影响主要有：1）长直线道路会使驾驶员在行驶过程

3、中产生催眠现象，反应变得迟钝，注 意力分散，从而导致行车中判断失误；2）合适半径的平曲线，给驾驶员适当的紧张感，有利于交通安全。不合理 的平曲线设计会使司机在猜测和紧张中驾驶， 使他们身体很容易疲劳， 心脏负荷 过大，判断力下降， 反应迟钝。 过小的曲线半径会降低驾驶员的停车视距使他们 不能提前观察到前方转弯处，也不能对道路线形的走势做到心中有数；3）长大下坡易造成驾驶员频繁刹车，感觉疲劳、紧张；4）凸形竖曲线易导致驾驶员视距不足，看不到前方交通情况引起心情烦躁不安；夜晚无照明道路上的凹形竖曲线处视距不足，易引起驾驶员紧张心理。6.1.2地下道路对驾驶员行为的影响分析 地下道路线形对驾驶行为除

4、了具有与一般路段相似的影响外， 还具有其特殊 性，其中线性变化对车速和心率变化的影响较明显。1）车速： 地下道路出入口是驾驶员心理变化最显著且快速的路段。研究发 现，一般车辆在进入地下道路口前一定距离有明显减速， 在地下道路中， 车速一 般在较低水平范围上下波动， 而在出地下道路口有明显加速过程。 导致地下道路 进出口区域车速变化的主要原因是地下道路内外光线差导致的视觉适应和道路 线形因素。根据对秦岭二号地下道路和终南山地下道路调研研究发现车辆在地下 道路进出口前后 5s 设计车速行程范围运行车速都受到线形影响。郭忠印等对地 下道路进出口的运行安全进行了研究， 认为进出口线形过渡是地下道路安全

5、的主 要影响因素之一。不同线形的地下道路出入口对内部环境产生不同影响， 直线地下道路不利于 光线过渡，不能有效调节驾驶员心理，无法避免 “黑洞效应 ”和“白洞效应 ”引起 的减速进洞、 加速出洞现象的出现。 瑞士及北欧国家的公路地下道路绝大多数都 做成曲线形的， 这有利于提高驾驶员的注意力， 且地下道路出入口曲线段可以有 效解决 “黑白洞 ”问题，减少事故的发生。在地下道路中行驶， 驾驶员的视野受到诸多因素的影响， 视野随车速的变化 而变化，同样， 车速随视野的变化而变化， 即驾驶员总是根据其视野大小来选择 行驶速度。当前方出现小半径平曲线、纵坡、地下道路洞口等使视野变小时，驾 驶员会相应的降

6、低速度； 当前方为长直线或者大半径平曲线通视良好时， 视野增 大，驾驶员会提高速度。2）心率： 研究发现，驾驶员心率增量与地下道路的弯道半径存在较大相关 性。小半径地下道路由于离心力、 视距、通风不良等原因易引起驾驶员心率增加， 对驾驶员的感知、 情绪造成影响。 此外，地下道路的密闭空间易造成驾驶员的压 迫感，感觉地下道路内车道宽度变小， 曲线地下道路会给驾驶员造成与地下道路 内壁相撞的恐惧感，产生所谓的 “边墙效应 ”，驾驶压力大大增加，并有可能情绪 失控，操作失误，引起事故。单向通行的地下道路应设置为大半径曲线，驾驶员 适当的心率增加、 心理紧张利于注意力的集中， 且大半径曲线地下道路光照

7、过渡性好，利于驾驶员的明暗适应过程根据长安大学西汉高速秦岭地下道路群路段的调研数据，地下道路纵坡对驾 驶员心理的影响因上下坡而有所变化，上行路段上坡过程心率增加率随坡度不同 而变化，在纵坡由小变大过程，驾驶员为了冲越坡度，一般速度提升，心率增加 率变大，在纵坡2.7%左右心率增加率达到顶峰；坡度继续增大，则驾驶员采取 保守措施，低档稳速爬坡，心率有所下降；随着坡度继续增加，爬坡难度增加， 驾驶员心理紧张，心率再次升高。下坡过程心率变化受到车速控制影响， 在坡度 为；“之间时心率增量最大，坡度继续增加，驾驶员刹车控制车速，心率反而 降低。3）横净距：公路地下道路设计规范 中对公路地下道路停车视距

8、作出了明 确的规定，其中所采用的安全停车视距与普通路基的停车视距是一致的。由于地 下道路内轮廓的限制，洞内的横净距（视点至洞壁或检修道等障碍物的距离）远 小于普通路基的横净距值。地下道路横净距越小，要求最小平曲线半径越大；单 向双车道地下道路，左侧车道横净距小于右侧车道横净距；依据车辆行驶方向， 左转弯地下道路的横净距小于右转弯，地下道路左转弯曲线地下道路较右转弯曲 线地下道路不利于安全。因此，地下道路平曲线半径小于最小视距半径时，应采 取措施加大地下道路横净距。6.2 SOAR认知框架概述SOAR的全称为状态、算子和目标（State, Operator and Result），是由Allen

9、 Newell等人于1983年开发的称为 通用智能”的一种框架，主要讨论知识、思考、 智力和记忆，是一个应用范围非常广的认知结构。 其中，状态是当前要解决问题 的情况表征，算子是可以改变状态、产生新的状态的操作，目标是需要解决问题 的理想结果。SOAR的运行就是在问题空间持续地应用算子和选择下一个算子直 到该问题目标实现的过程。SOAR框架主要包括输入/输出界面、长期记忆区、工作记忆区三大部分，还 有其他一些潜在的机制如决策周期、学习过程等。如下图1所示：如上图所示，SOAR必须通过感知/动作界面与外界发生交互，由感知将外 部世界映射到工作记忆中，通过动作将工作记忆内部的表征返回外部环境并产生

10、 行动。SOAR内部具有不同表征形式的工作记忆区和长期记忆区，分别用来描述问题求解的当前状态和长期记忆。工作记忆用具有等级结构的状态/目标图表来表示与当前状态相关的感知数据、 中间推理的结果、活动目标和活动算子等。长 期记忆包括程序性记忆、语义性记忆和情节性记忆。SOAR通过一个固定的处理 机制一一决策周期，完成 SOAR的选择和应用算子等功能。伴随着决策周期 SOAR有四种不同的学习机制，分别是强化学习、组块、情节性学习和语义性学 习。6.3应用于地下道路线形和横向净距仿真的 SOAR智能体设计本节采用SOAR认知框架对地下道路行车中的驾驶员智能体进行建模，包 括智能体工作记忆、长期记忆、程

11、序性算子选择方法及学习机制等。6.3.1通过地下道路的驾驶员智能体工作记忆设计工作记忆包括SOAR智能体的所有关于世界和内部推理的动态信息， 它包括 感知信息，中间计算，分级的状态以及相关的算子和目标等， 智能体所有的推理 和决策都在工作记忆中进行。SOAR中所有工作记忆中的信息被组织成图表结 构，下图6-2为某一个经过地下道路驾驶员智能体工作记忆的图表结构图6-2驾驶员智能体工作记忆如上图所示，工作记忆里的状态 S1包含五个属性，其中vehicle、driver、10属性的值为对象VI、D1和11，其余两个属性分别表示该状态的名称为si,且其没有父状态。状态S1的V1属性表示智能体组成单元车

12、辆的相关信息，包括 表示车辆的尺寸为小，车辆的用途为私家车，当前速度很快。S1的D1属性表示 驾驶员的相关信息，包括驾驶员的性别为男，年龄为45，驾龄为20年，月收入为8000,性格为稳重型，对路网非常熟悉，当前驾驶员的匹配精度为1，当前位置为初始位置。10属性为S1的输入输出，分别通过input-link和output-link接 口实现，其中input-link的标识符11有四个属性，分别表示智能体从外界感知到 的与路段以及周边环境相关的信息，包括属性Road-alignment、Clear-distaneeSense-density Velocity、Turn-angle分别表示当前车辆

13、所在道路的感知线形、横 向距离、感知拥堵程度、速度、转弯角度。输出接口output-link的标识符01表示该状态下的输出，比如选择要应用的算子以及应用算子对工作记忆及周边环境 的影响结果通过13下的属性输出。表6-1工作记忆输入和输出序号属性输入输出取值编码说明1当前路段线形输入直线段、左转弯道、右 转弯道1,2,31路段线形特征值输入弯道半径123,42横向距离输入数值1,2,33当前道路拥堵状况输入严重拥堵、一般拥堵、 通畅3,2,14预测道路拥堵状况输入严重拥堵、一般拥堵、 通畅3,2,15当前情绪输入舒畅、急躁1,26目的地输入左、前、右1,2,37驾驶风格输入保守、冒险、一般1,2

14、,39当前行驶状态输入直行、左转、右转1,2,38行驶状态特征值输入速度、角度具体值9改变当前情绪输出舒畅、急躁切换匹配精 度升降依记忆规 则确定10改变目的地输出左、前、右目的地切换依记忆规 则确定11改变行驶状态输出直行、左转、右转及对 应特征值变化依记忆规 则确定6.3.2地下道路行车中驾驶员智能体长期记忆设计长期记忆区是一个成果记忆区。长期记忆中最重要和最有效的是程序性知 识，情节性知识只在程序性的知识不足以支撑决策时才起作用，在驾驶行为中不涉及语义性知识。SOAR智能体经过地下道路驾驶行为程序性记忆用产生式规则 来进行表征。首先，用每个规则的 “ if部分去匹配工作记忆里的元素，如果

15、规则 的“if部分与工作记忆元素完全匹配，这个规则就会被触发，然后通过发送一条 到运动系统的信息或产生改变当前状态的建议，引起“ then”分触发，即任何与当前目标、状态和算子匹配的规则会改变当前的目标和状态。SOAR智能体经过地下道路的情节性记忆是智能体的特定经历和记忆， 是情 节性学习的知识来源，一旦驾驶行为决策完成，就将当前行为、对应的决策状态 转移路径及反馈偏好值进行记录，以备在下次遇到决策困境时使用。表6-2某个驾驶员智能体的部分初始长期记忆规则规则 编号IF/THENIF/THENIF/THENIF/THENIF/THENIF/THENIF/THENIF/THENr1IR-A1(2

16、)IR-A2(1)IC-D(1)IS-D(1)ID-S1(2)ID-S2(12)T D-S1(1)T D-S2(1)r2IS-D(3,1,3)IP-D(3,1,3)IDes(1)TDes(2)r3IS-D(223)IR-A1(3)IR-A2(3)ID-S1(3)ID-S2(1,3)TTem(2)r4IR-A1(1)IR-A2(3)IC-D(1)T D-S1(1)T D-S2(2)一一一r5IR-A1(2)IR-A2(2)IC-D(2)ID-S1(1)ID-S2(3)TD-S1(2)TD-S2(2)上表中，I表示条件，T表示行动，R-A1, R-A2, C-D, S-D, P-D, Tem, D

17、es, D-S1, D-S2为对象属性的缩写，分别表示线形、线形特征值、横向距离、拥堵、预测拥堵、情绪、目的地、行驶状态、行驶状态特征值。以r5为例，规则意义为如果当前线形为左转弯，转弯半径为中等(根据具体值进行标定)，车辆横向 距离较大(根据具体值进行标定)，当前车辆正直行且速度较快，则在满足转弯 条件前提下车辆左转，速度降低1个单位，其它规则意义依此类推。上述规则只 是某个驾驶员智能体初始规则的一部分，篇幅所限，不详细列出。另外，驾驶员 智能体规则在学习过程中会通过学习机制动态的增加和删除。SOAR智能体的诱导服从行为的情节性记忆是智能体的特定经历和记忆，是情节性学习的知识来源，一旦诱导服

18、从行为决策完成，就将当前行为、对应的决策状 态转移路径及反馈偏好值进行记录，以备在下次遇到决策困境时使用。6.3.3程序式算子选择经过地下道路的SOAR智能体中采用数值偏好。长期记忆规则库中的每条 规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值。每添加一条新规则需要判断该规则中算子的初始数值偏好大小， 并在决策过程中根据外界的反馈对该值的大小进行更新以使其更接近真实情况， 为驾驶员的决策提供更加准确的信息。1) 令0(s)表示状态s下的候选算子集合，如果其基数 0(s)等于1，则选择O(s)进入工作记忆，否则继续；2) 如果 O(s) >1，pOmax

19、(S) - pOsec(S) "(s)，则以轮盘赌机制从 O(S)中选 择当前算子进入工作记忆，否则继续；其中pOmax(S)、POsec(S)表示状态S下最 优算子和次优算子的偏好，(s)表示状态s下算子直接选择阈值；3) 如果 0(S)=:或 O(S) 1， pOmax(S) - pOSec(s)p (s)，贝U不能直接进行算子选择，则产生困境，进入组块学习阶段。6.3.4学习机制本章主要采用组块学习方式来描述驾驶员经过地下道路驾驶行为的学习功 能。组块是SOAR在困境解决时进行学习的机制，即在子状态的处理过程中学 习组块规则。当一个困境产生时意味着当期系统的长期记忆中没有可以利

20、用的算 子使得问题求解过程在问题空间中向前移动，需要自动创建一个新的规则来解决当前困境，组块规则的建立需要分析长期记忆中与达到结果相关的产生式规则及 情节记忆线索。6.3.4.1困境的解决当程序式记忆不能对当前状态选择算子时，采用如下步骤解决困境。1) 令从初始状态so经过i次状态转移得到的当前状态为s，如果O(sJ二叮或O(Si) >1，pOmax(S ) - P0sec(S ) V l(S)，则符合组块学习条件，令j=i+ 1,继续； 否则采用程序式记忆进行算子选择，见 3.4；2) 如果j=0,转5;否则j:=j- 1；3) 在所有情节记忆库中寻找状态转移路径中包含Sj的情节性记忆

21、的算子集合，记为Oq(Sj)。如果Oq(Sj)：，转2,否则继续；4) 在Oq(Sj)中选择最优算子进入工作记忆，解决当前困境，转7；5) 如果O(Si)，以步长0.1改变当前状态的匹配精度，直到满足当前状态 的算子集合O(s；)出现，其中Si'表示改变匹配精度后的新状态；6) 在O(sJ或O(s；)中采用轮盘赌机制选择算子进入工作记忆，解决当前困境；6.3.4.2组块规则经过地下道路的智能体除了初始程序性记忆规则外， 绝大部分规则是通过组 块创建的。如果智能体在状态转移中遇到过困境， 则说明决策过程中有部分状态 没有算子或者不能直接选择，那么智能体此次决策后，需要采用组块学习方法创

22、建规则及偏好更新。如果G(se)-Ge(se)岂z，则对解决困境的算子进行一次组块 更新，其中Ge(Se)表示智能体在状态Se下的期望驾驶目标，G(Se)表示智能体动作的实际驾驶目标，z为规则组块更新阈值。如果相同规则连续两次被组块更新， 则将对应算子添加到决策过程中遇到困境状态，组块成功。无论是组块形成还是已经存在的规则，智能体后都要对此次决策涉及的算子进行反馈学习，由于决策过程涉及多个状态和算子，因此采用各状态与目标状态 的距离来分配对应算子的反馈偏好。决策周期t的状态转移路径中第k个状态对应的算子 O(Sk)的反馈偏好值为 d(Sk,Se) Pr(Se)，其中(S。)=G(Se) - G

23、e(Sfe)为最终状态Se下的总偏好反馈值,本文中参数:-取 0.5； d(Sk,Se),r(Sk)为Pr(Se)分配到O(Sk)上的权重，它是状态Sk到Se的距离d(Sk, Se)及Sk所在的状态转移路1径 r(Sk)的函数，本文d(Sk,Se),r(Sk): d(Sk,Se)g)1匸市，其中伽为sk所在路径包含的状态数量 6.4仿真框架横向 净距道路 环境大型 车辆道路 线形地下道路仿真场景生成地下道路仿真智能体构建工作记忆.SOAR 学习机制程序式算 作选择长期记 忆交通流 生成交通仿真1参数标定仿真结果分析结束Y期望目标函数图6-3地下道路线形及横向净距优化仿真框架6.5仿真实验及分析

24、本仿真实验首先对面向地下道路线形和横向净距的 SOAR智能体进行设计, 继而针对不同线形和横向净距条件下进行仿真实验， 对不同仿真条件下的实验结 果进行分析，给出本实验场景下的最优推荐方案。6.5.1仿真场景设置仿真场景为天津某地下道路，单向三车道，仿真场景中线形、横向净距等在原设计方案基础上进行一定程度的调整后，分别进行仿真实验，在仿真实验结果分析基础上，得到不同条件下的横向净距和线形优化方案。下图为部分现场图。图6-4地下道路线形及横向净距场景1图6-5地下道路线形及横向净距场景2基于该地下道路设计方案，采用uc win/road进行三维虚拟现实构建，用来进 行实验参数标定的基础，地下道路

25、设置为三车道，设计车速为 40公里，部分模 拟场景如下图所示。图6-6地下道路模拟场景1图6-7地下道路模拟场景26.5.2仿真实验在地下道路直线段和弯道行驶条件下，在不同行车速度下对标准横向净距进 行一定幅度调整，本章一般条件下的横净距和视距半径如下表6-3和6-4所示。表6-3地下道路一般条件下横净距车速（km/h）一般横净距（左）一般横净距（右）小汽车（m）大货车（m）小汽车（m）大货车（m）1002.7252.3754.0254.375802.7252.3753.7754.125602.62.253.654401.851.52.653301.7251.3752.5252.875201.

26、61.252.42.75表6-4地下道路一般条件下视距半径车速（km/h）一般视距半径（左）一般横净距（右）小汽车（m）大货车（m）小汽车（m）大货车（m）10011741705795926805558224014736027040119322640108208751043065111455320314021186.521地下道路直线段横向净距仿真在地下道路直线段小汽车行驶条件下，将横净距在一般基础上以 5%的步长 减小或者增加15%，采用本章仿真方法对车辆通过直线段进行仿真，下表为 300 分钟内200m路段上不同车速下不同仿真实验对应的交通冲突数据。表6-5不同车速和不同横净距下的地下道路

27、直线段行驶交通冲突数据（小汽车）车速(km/h)实验1（减小实验1（减小实验1（减小实验1（一般实验1（增加实验1（增加实验1（增加1001961711511441391351358019316515114013613313260181169156150146140138401661401321281271241223015413412912512512112020123116116115114111110260alqujnu11 2o o O0 8 6-112010034567Experiment NO图6-8直线段行驶中不同横净距下的交通冲突图（小汽车）在地下道路直线段大货车行驶条件下，将

28、横净距在一般基础上以 5%的步长 减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为 300 分钟内不同车速下不同仿真实验对应的交通冲突数据。表6-6不同车速下的地下道路直线段行驶交通冲突数据（大货车）车速(km/h)横净距 减小横净距减小横净距减小5%一般横净距横净距增加5%横净距 增加横净距 增加1002522422232081911801798024122521420318617717160229223217202187179170402101951871821721691693022121219218216816616520201194178172162160160O

29、aq 匚 4U 运匸o O2 O2 281l00km/h80km/h60km/h1234567Experiment NO图6-9直线段行驶中不同横净距下的交通冲突图（大货车）6.522地下道路弯道横向净距仿真在地下道路弯道段小汽车行驶条件下，将横净距在一般基础上以 5%的步长 减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为 30 分钟内不同车速下不同仿真实验对应的交通冲突数据。表6-7不同车速下的地下道路弯道行驶交通冲突数据（小汽车）车速(km/h)横净距 减小横净距 减小横净距减小5%一般横净距横净距增加5%横净距 增加横净距 增加1002151881581481401

30、341318020918417015513813112960194185164152134127125401731571411371341301313016315213713412812612320134131124118120120118不同速度下和横净距下的交通冲突曲线图如下图所示100234567240201Experiment NO图6-10弯道行驶不同横净距下的交通冲突图（小汽车）在地下道路弯道大货车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为30分钟内不同车速下不同仿真实验对应的交通冲突数据。表6-8不同车速下的地下道路弯道行驶交通冲突数据（大货车）车速(km/h)横净距 减小横净距减小横净距减小5%一般横净距横净距增加5%横净距增加横净距 增加10026824823521822321126880250229228202212207250602402222171941981832404022321020918718618122330193190196185175182193201811801841781711761814qEnuB运匸 s OEF-Hoo22